Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,61 +3,50 @@ from transformers import AutoTokenizer, AutoModelForSequenceClassification
 import torch
 import pandas as pd
 
-st.set_page_config(page_title="Analyse de Sentiment", layout="wide")
+st.set_page_config(page_title="Analyse de Sentiment", page_icon="📊", layout="wide")
 
-st.title(" Analyse de Sentiment")
-st.write("Collez un ou plusieurs avis (un par ligne) pour les analyser simultanément avec RoBERTa.")
+st.title("📊 Analyse de Sentiment - Modèle Fusionné")
+st.write("Application d'analyse de sentiment optimisée avec RoBERTa (Merged Model).")
 
-# Chargement du modèle mis en cache
+# Chargement direct et simple (vu que le modèle est fusionné avec son tokenizer)
 @st.cache_resource
 def load_model():
-    model_id = "Diary14/roberta-sentiment-lora"  # ⚠️ À remplacer
+    # L'identifiant exact de ton dépôt sur Hugging Face
+    model_id = "Diary14/roberta-sentiment-lora"  
+    
+    # Hugging Face va trouver le tokenizer et le modèle dans le même dossier
     tokenizer = AutoTokenizer.from_pretrained(model_id)
     model = AutoModelForSequenceClassification.from_pretrained(model_id)
     return tokenizer, model
 
-with st.spinner("Chargement du modèle..."):
+with st.spinner("Chargement du modèle fusionné en cours..."):
     tokenizer, model = load_model()
 
-# Zone de saisie : l'utilisateur peut mettre plusieurs lignes
+# Zone de saisie
 user_input = st.text_area(
     "Entrez vos avis (un avis par ligne) :",
-    placeholder="Exemple :\nCe produit est top !\nJe n'aime pas du tout la texture...\nLivraison rapide.",
+    placeholder="Exemple :\nCe produit est top !\nJe n'aime pas du tout...",
     height=200
 )
 
 if st.button("Analyser les avis"):
-    # 1. Séparer le texte par ligne et enlever les lignes vides
     lines = [line.strip() for line in user_input.split("\n") if line.strip() != ""]
     
     if not lines:
         st.warning("Veuillez entrer au moins un texte.")
     else:
-        st.info(f"Analyse de {len(lines)} texte(s) en cours...")
-        
-        # 2. Tokenisation du BATCH (toutes les lignes d'un coup)
-        # padding=True va aligner la taille des textes pour le modèle
         inputs = tokenizer(lines, return_tensors="pt", truncation=True, padding=True)
         
-        # 3. Inférence
         with torch.no_grad():
             outputs = model(**inputs)
         
-        # 4. Récupération des prédictions pour chaque ligne
         logits = outputs.logits
         predictions = torch.argmax(logits, dim=-1).tolist()
         
-        # 5. Préparation des résultats pour l'affichage
         results = []
         for text, pred in zip(lines, predictions):
             sentiment = "POSITIF ✨" if pred == 1 else "NÉGATIF 🚨"
             results.append({"Texte/Avis": text, "Sentiment": sentiment})
         
-        # 6. Affichage sous forme de joli tableau interactif avec Pandas
         df = pd.DataFrame(results)
-        st.dataframe(df, use_container_width=True)
-        
-        # Optionnel : Petit résumé statistique
-        pos_count = sum(1 for r in results if "POSITIF" in r["Sentiment"])
-        neg_count = len(results) - pos_count
-        st.write(f"**Résumé :** {pos_count} positif(s) et {neg_count} négatif(s).")
+        st.dataframe(df, use_container_width=True)